如何理解将虚拟环境打包给其他用户

将环境envs中的一个虚拟环境打包给别人，可以直接使用其环境，里面包含cuda，cudnn等，但是需要正确安装Anaconda才能使用虚拟环境。

nvcc --version

cuDNN切换
在Tensorflow不同版本的GPU环境配置中，CUDA的切换，往往伴随着cuDNN的切换，cuDNN是由头文件和动态链接库组成的，所以下载对应的cuDNN，按照cuDNN的安装方法[7]进行文件替换即可。

总结
这种方法的CUDA和cuDNN版本切换，适用于管理员整体切换和个人使用者，不适合服务器环境下的普通用户，有一种好的解决方法是配合Environment Modules[8]来进行环境管理，后续可以进行深入探索，推荐使用Anaconda来进行CUDA、cuDNN版本的管理。

acf06243989249f1ea9d747a77a4f933.png (推荐)CUDA、cuDNN多版本切换之：Anaconda下安装不同版本的CUDA、cuDNN
虚拟环境的重要性：无它，唯方便尔。

因为独立的环境利于管理，不激活不会对系统环境造成不必要的影响，若虚拟环境遇到了无法期望的错误，即可删除环境并重新创建即可，不需要重装系统；创建独立的虚拟环境，各个虚拟环境相互独立，互不影响，不同应用可以使用不同的版本，环境内的包升级不影响其他应用。

虚拟环境的创建有很多方法：Anaconda、virtualenv、docker等，但是就深度学习环境来说，Anaconda方便管理和使用，在此推荐Anaconda。

考虑到这么一个场景：苦于科研无想法，于是在github上逛gai碰碰运气，终于看到一个不错的项目，一顿操作，clone这个repo之后，从anaconda创建一个虚拟环境来尝试运行，仔细阅读README，发现要求特定版本的一些依赖库，其它的库都还好说，如果要求特定版本的CUDN和cuDNN，如果重新下载安装配置就比较麻烦，何况非管理员用户没有安装和配置权限。这时候考虑Anaconda。

Anaconda生态比较完整，只要系统里正确安装了NVIDIA驱动[9]，就可以在Anaconda下的虚拟环境中，安装特定版本的cuda和cudnn，而不必全局进行安装。

需要注意的是：

Anaconda的 cudatoolkit 不包含完整安装cuda的全部文件，只是包含了用于 tensorflow，PyTorch，xgboost 和 Cupy 等所需要的共享库文件，cuDNN亦是如此。

如果系统已经全局安装了CUDA和cuDNN，在虚拟环境中又安装了其它版本的CUDA和cuDNN，互不影响，且首先调用虚拟环境中的版本。